《表2 与其他模型比较：基于堆稀疏自编码的二叉树集成入侵检测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于堆稀疏自编码的二叉树集成入侵检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

表1展示了堆稀疏自编码的lightGBM二叉树结构算法（SSAE-lgb-BT ensemble）、堆稀疏自编码的极限梯度提升集成二叉树结构算法（SSAE-xgb-BT ensemble）、主成分分析的lightGBM二叉树结构算法（PCA-lgb-BT）分别在NSL-KDD数据集上的性能表现，将三种算法分别依次用SLB、SXB、PLB表示。F1值反映了模型的检测效果。在F1值方面，表中显示SSAE-xgb-BT算法优于不进行深度特征提取PCA-xgb-BT算法，并且从运行时间上，也只花费了后者1/4的时间，从这可以看出堆稀疏自编码在提取特征方面要优于主成分分析法。从SSAE-lgb-BT和SSAE-xgb-BT算法的性能可以看出，在Probe类上F1值达到了97.09%，高出后者9个百分点。虽然在少数类R2L上精确度偏低，但与SSAE-xgb-BT算法相比，对于少数类U2R，在召回率上有明显提升，并且在计算时间上，SSAE-lgb-BT集成算法只用了SSAE-xgb-BT集成算法的将近1/5的时间，从而在整体性能表现上，本文提出的混合分类器的性能优于SSAE-xgb-BT等其他分类算法。表2展示了DNN（1）[7]、DNN（2）[15]两种算法与SSAE-lgb-BT集成算法的比较，上述两种算法的数据都出自于论文中所给实验结果。从结果比对可以看出，SSAE-lgb-BT集成算法作为一种混合算法要优于DNN算法的，由此可以进一步说明使用堆稀疏自编码进行特征降维可以从高维特征中学习到更深层次的特征。根据F1值，与所提算法进行比较，可以看出SSAE-lgb-BT算法可以更好地处理数据不平衡问题，从而有更好的分类效果。